基于能源的域名适应,没有中间域名数据集,用于雾状场景细分

科学领域:

• 计算机视觉 计算机视觉
• 自主驾驶系统 自主驾驶系统
• 机器学习 机器学习

背景情况:

• 在恶劣天气,特别是密的雾中,强大的语义细分对于自动驾驶安全至关重要.
• 目前的方法通常依赖于中间合成数据集和多阶段培训,限制了现实世界的实用性.
• 过度自信的伪标签在自我培训领域适应在雾的场景的问题是不充分探索.

研究的目的:

• 提出一个新的框架,DAEN,用于直接适应细分模型到真正的模糊场景,没有中间数据集或多阶段培训.
• 为了解决过度自信的问题在伪标签的生成过程中自我训练的雾景适应.
• 提高在恶劣天气下自动驾驶感知系统的稳定性和通用性.

主要方法:

• 开发了DAEN (在没有额外数据集或多阶段培训的情况下直接适应) 框架.
• 集成了一个高阶风格匹配 (HSM) 模块,以隐式地将清晰和模糊域之间的特征统计数据对齐.
• 引入基于能源分数的伪标签 (ESPL),通过减轻过度自信来产生可靠的伪标签.

主要成果:

• 在三个真实世界的雾景数据集上,DAEN实现了最先进的细分性能.
• 该HSM模块有效匹配高级统计数据,使雾分布的隐式学习成为可能.
• ESPL成功地缓解了伪标签的过度信心,改善了模型偏见和类代表性.

结论:

• 达恩提供了一种实用而高效的解决方案,用于将自动驾驶感知适应雾条件.
• 与现有方法相比,拟议的方法表现出优越的性能和概括能力.
• 这项工作推进了在具有挑战性的环境条件下进行领域适应的自我训练技术.